达观知识图谱赋能智能投研，可实现金融数据结构化提取与分析

知识图谱（Knowledge Graph）本质上是一种大型语义网络，旨在迅速表示客观世界中概念实体间的相互关系。随着人工智能的迅猛发展，知识图谱技术已具备落地和商用的能力，越来越多的企业，引入知识图谱技术，解决企业内部数据分析和挖掘问题，并已得到非常可观的成效。

以金融行业为例，企业内部存有很多数据，从技术上可分为结构化数据、非结构化数据、半结构化数据。

目前企业用到最多的是结构化数据，也就是我们常说数据库存储的数据。在半结构化数据和非结构化数据（如各种办公文件、文本、图片、语音等），大多企业只是作为知识库存档，并没有利用起来，这部分数据蕴含着很多有价值的信息，如何利用这些数据提炼有价值的信息成为当前企业痛点。达观知识图谱解决方案采用前沿深度学习、光学字符识别、自然语言处理等技术，可快速挖掘非结构数据和半结构数据，并找出其存在的关联关系，提炼价值信息，稳定可靠地解决该行业所面临的问题。

达观知识图谱解决方案在金融领域的主要应用包括：智能风控、智能投顾、智能投研、智能客服、智能舆情、智能营销等应用。

⚫️银行风控主要包含信贷审批、额度授信、信用反欺诈、异常交易行为发现、客户关联分析、风险定价等业务场景。

⚫️智能客服主要包含对话机器人、智能问答、智能推荐等业务场景。

⚫️智能投研包含上市公司研报、公告数据分析挖掘，企业工商信息、财报信息、董监高、产品、产业链分析挖掘等业务场景。

据市场调研统计，以上金融领域的应用场景皆有在各大头部银行和金融机构落地，并已投入使用。

达观知识图谱由N多节点和边组成，节点代表实体（entity），边（edge）表示关系，将节点与边关联起来就形成了知识图谱。

智能投研场景下如何构建知识图谱？

首先，想要构建知识图谱，要先找到数据。众所周知，金融机构的投研业务要依赖很多数据来分析，包含企业财报、年报、企业资讯、产品、行业、产业链、公司股东等数据。

采集完这些数据之后，我们将从海量数据中提炼构建知识图谱的实体，这些实体包含企业、企业产品、企业所在行业、企业的股东/董监高、企业风险、竞品等。以上实体有些是结构化数据可以直接获取到的（如企业工商信息包含很多构建知识图谱的实体），有些需要通过NLP技术来挖掘分析获取（如企业风险等）。

获取这些实体之后，根据业务梳理各个实体间的关联关系，定义知识图谱的边，例如以企业（实体）为中心节点，向外发散，企业的股东有哪些，企业所属行业，企业有哪些产品/业务模式，企业竞品、竞争对手有哪些，这些都属于知识图谱中的实体关系。

通过以上步骤，我们找到了构建知识图谱所需的实体和关系，接下来就可以将企业与各个实体关联起来，形成投研领域的知识图谱。

知识图谱常常与搜索和推荐产品相结合，可解决精准搜索或精准推荐的业务场景。此外，图谱还可以与产业链、企业舆情等产品相结合。更多案例情况，请关注达观数据官网进行咨询。